ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价
ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价

所有课程

使用 Matplotlib 和 Seaborn 进行数据可视化
章节 1: 数据可视化入门
数据可视化是什么?
为何要在人工智能和工程领域将数据可视化?
Matplotlib 介绍
Seaborn 简介
Matplotlib 与 Seaborn 的关系
设置您的Python环境
导入库
您的第一个简单图表
第 1 章测验
章节 2: Matplotlib 绘图基本知识
Matplotlib 图的结构:Figure 与 Axes
创建基础绘图脚本
折线图:绘制趋势
散点图:表示关联
添加标题和标签
更改颜色和线条样式
设置坐标轴范围
实践:创建简单的折线图和散点图
第 2 章测验
章节 3: 基本 Matplotlib 图表类型
用于比较的条形图
创建垂直和水平条形图
用于表示分布的直方图
理解直方图的分箱
用于表示比例的饼图
堆叠图表
动手实践:绘制不同数据类型图表
第 3 章测验
章节 4: Seaborn 简介:提升图表效果
Seaborn的作用:高级接口
设定 Seaborn 样式与上下文
Seaborn 调色板
使用 Seaborn 创建散点图 (scatterplot)
使用 Seaborn 绘制折线图 (lineplot)
了解 Seaborn 的数据输入要求
练习:使用Seaborn重制图表
第 4 章测验
章节 5: 使用 Seaborn 可视化数据分布
直方图和核密度估计 (histplot, kdeplot)
可视化联合分布 (jointplot)
用于汇总统计的箱线图 (boxplot)
小提琴图:结合箱线图和核密度估计图 (violinplot)
理解分布图选择
动手实践:绘制数据分布图
第 5 章测验
章节 6: 使用 Seaborn 绘制分类数据
理解分类数据
汇总统计条形图 (barplot)
频率计数图 (countplot)
分类变量的箱线图 (boxplot)
散点分布图与分群散点图:独立数据点的呈现 (stripplot, swarmplot)
趋势点图 (pointplot)
实践操作:分类特征的可视化
第 6 章测验
章节 7: 图表定制与保存
为图表添加文本和注释
管理图例
调整图形大小和布局
使用 Matplotlib 面向对象 API 实现更精细的控制
应用 Seaborn 主题
将图表保存到文件(PNG、JPG、PDF、SVG)
选择正确的文件格式
实践:优化你的图表
第 7 章测验
章节 8: 使用 Pandas DataFrame 绘图
Pandas Series 和 DataFrame 简要介绍
将数据加载到DataFrame
直接从DataFrame进行基础绘图
使用 Matplotlib 配合 DataFrame 列
使用 Seaborn 和 DataFrames
数据筛选与绘图准备
动手实践:从文件中进行数据可视化
第 8 章测验

设定 Seaborn 样式与上下文

Seaborn 的一大优势在于它能轻松生成视觉上美观的图表。这主要归功于其内置的主题,这些主题控制着背景色、网格线和字体选择等整体视觉属性。Seaborn 将这些控制分为两大类:样式和上下文 (context)。

理解 Seaborn 样式

样式主要影响图表背景、网格和坐标轴元素(如轴脊和刻度)的视觉呈现。Seaborn 提供了多种预设样式,您可以轻松切换。在您的会话或脚本中,为所有后续图表全局设置样式最常见的方法是使用 set_theme() 函数,并指定 style 参数 (parameter)。

五种可用的预设样式是:

  1. darkgrid: 灰色背景,白色网格线(通常是默认设置)。适用于数据点较多的图表。
  2. whitegrid: 白色背景,灰色网格线。类似于 darkgrid,但在某些应用中外观更简洁。
  3. dark: 深灰色背景,无网格线。
  4. white: 纯白色背景,无网格线。最接近标准的 Matplotlib 外观,但通常有细微优化。
  5. ticks: 白色背景,坐标轴上添加刻度线,这有助于判断数值,尤其是在没有网格线的情况下。

让我们看看如何应用样式。首先,我们需要标准导入和一些简单数据:

import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np

# 生成一些简单数据
x = np.linspace(0, 10, 50)
y = np.sin(x)

# 默认 Matplotlib 图表(用于比较)
plt.figure() # 开始一个新的图表
plt.plot(x, y)
plt.title("默认 Matplotlib 样式")
plt.show()

# 现在,设置一个 Seaborn 样式并再次绘图
sns.set_theme(style="whitegrid") # 应用 'whitegrid' 样式

plt.figure() # 开始另一个新的图表
plt.plot(x, y)
plt.title("Seaborn 'whitegrid' 样式")
plt.show()

# 尝试另一种样式
sns.set_theme(style="ticks") # 应用 'ticks' 样式

plt.figure()
plt.plot(x, y)
plt.title("Seaborn 'ticks' 样式")
plt.show()

# 重置为默认主题参数(对 Notebook 有用)
# sns.reset_defaults()

请注意 sns.set_theme(style=...) 是如何改变在其调用之后创建的图表外观的。'whitegrid' 样式添加了白色背景和有用的网格线,而 'ticks' 则在坐标轴上添加了小标记 (token)。选择样式取决于您的数据以及图表的显示位置。

如果您只想为特定图表临时应用样式,可以在 Python 的 with 语句中使用 axes_style() 函数。这可以避免改变全局设置。

# 生成数据
x = np.linspace(0, 10, 50)
y = np.cos(x)

# 首先设置一个全局样式(例如 darkgrid)
sns.set_theme(style="darkgrid")

# 使用全局样式绘图
plt.figure()
plt.plot(x, y)
plt.title("全局样式 ('darkgrid')")
plt.show()

# 为一个图表临时使用 'white' 样式
with sns.axes_style("white"):
    plt.figure()
    plt.plot(x, y)
    plt.title("临时样式 ('white')")
    plt.show()

# 再次绘图 - 它使用全局 'darkgrid' 样式
plt.figure()
plt.plot(x, y)
plt.title("回到全局样式 ('darkgrid')")
plt.show()

使用上下文 (context)缩放图表

样式控制着图表的美学类型(网格、背景),而上下文则控制图表元素的缩放。这包括标签大小、线条宽度和标记 (token)大小。上下文旨在帮助您根据不同情况调整图表,例如图表是用于演示文稿幻灯片(talk、poster)还是嵌入 (embedding)到文档中(paper、notebook)。

四种预设上下文,按从小到大缩放顺序排列,分别是:

  1. paper: 最小元素,适合包含在书面文档中。
  2. notebook: 默认上下文,为交互式 Notebook 使用而平衡。
  3. talk: 较大元素,适合观众可能距离较远的演示文稿。
  4. poster: 最大元素,适用于远距离观看的显示屏。

您可以在 set_theme() 中使用 context 参数 (parameter)来设置上下文,也可以使用单独的 set_context() 函数。与样式类似,set_context() 全局适用,而 plotting_context() 可在 with 语句中用于临时更改。

让我们看看不同上下文的效果:

# 生成数据
x = np.linspace(0, 10, 50)
y = np.sin(x) * np.exp(x/10)

# 使用默认的 'notebook' 上下文(通常是隐式设置)
sns.set_theme(style="whitegrid", context="notebook") # 显式设置 notebook
plt.figure()
plt.plot(x, y)
plt.title("上下文: 'notebook' (默认)")
plt.xlabel("X轴标签")
plt.ylabel("Y轴标签")
plt.show()

# 切换到 'paper' 上下文
sns.set_theme(style="whitegrid", context="paper")
plt.figure()
plt.plot(x, y)
plt.title("上下文: 'paper'")
plt.xlabel("X轴标签")
plt.ylabel("Y轴标签")
plt.show()

# 切换到 'talk' 上下文
sns.set_theme(style="whitegrid", context="talk")
plt.figure()
plt.plot(x, y)
plt.title("上下文: 'talk'")
plt.xlabel("X轴标签")
plt.ylabel("Y轴标签")
plt.show()

# 如果需要,重置主题为默认
# sns.reset_defaults()

观察 'paper' 上下文如何使标签、标题和线条粗细变小,而 'talk' 上下文则使它们与默认的 'notebook' 上下文相比明显大很多。底层图表数据保持不变,只有呈现比例发生变化。

组合样式和上下文 (context)

您可以,也通常会使用 set_theme() 同时设置样式和上下文:

sns.set_theme(style="darkgrid", context="talk")

plt.figure()
plt.plot(x, y**2) # 绘制一些略有不同的内容
plt.title("样式: 'darkgrid', 上下文: 'talk'")
plt.xlabel("X轴")
plt.ylabel("Y轴平方")
plt.show()

这种组合使您能够精准控制 Seaborn 可视化的基本美学(样式)和缩放(上下文),从而使您能够快速为目标受众和媒介调整图表。尝试这些设置通常是自定义 Seaborn 图表的第一步。为了对特定图表元素(如字体大小或特定颜色)进行更详细的控制,Seaborn 允许通过 rc 字典覆盖参数 (parameter),但 set_theme 提供了一种方便的方式来管理整体外观和感受。

  • Python for Data Analysis, Wes McKinney, 2022 (O'Reilly Media) - 一本综合性指南,其中包含Matplotlib和Seaborn部分,为Python数据可视化提供基础知识。
  • Customizing Matplotlib with style sheets and rcParams, Matplotlib Developers, 2023 - 此文档解释了Matplotlib美学控制的底层机制,Seaborn的样式构建于此之上。

© 2026 ApX Machine Learning